搶佔無人駕駛先機，關鍵還要看這項技術的發展

近兩年來，人工智慧研究在中國已經被提升到了國家發展戰略的高度，政策方面紛紛出台關於人工智慧的發展規劃和方向，這也可以說是奠定了未來人工智慧落地在各行業領域的基調，並且深刻改變人類的生產生活方式。

如果說智能家居是目前應用最廣泛的，且對人類生活影響最深刻的應用場景，那麼除了智能家居，人工智慧未來將會影響到人類的出行，也即是AI會改變人類的出行方式。

這就是我們平常所說的無人駕駛，人們在通常情況下會認為無人駕駛汽車就是完全不需要人類司機操控的汽車，但是實際情況要複雜得多。巡航控制僅是早期形式，無人駕駛汽車不僅自動化的程度不同，人工智慧技術也往往參與其中，以保障司機和乘客的安全。所以人工智慧技術仍然是智能出行的關鍵所在。

我國發展人工智慧具有良好的基礎。經過多年的持續積累，我國國際科技論文發表數量和發明專利已經躍居世界第二，人工智慧部分領域的核心關鍵技術實現突破，自然語言處理、語言識別、計算機視覺等領域技術處於世界領先水平，自動駕駛、無人機、生物特徵識別等領域進入實際應用。

這些技術專利優勢，讓人工智慧應用場景更加豐富。

關於無人駕駛， 大多數汽車製造商已經開始承諾，到2020 年，至少半自動駕駛汽車可以上路。包括百度在內的互聯網巨頭，都紛紛開始布局無人駕駛領域，希望能搶佔先機，然而，我們對無人駕駛的期待，似乎慢慢消失。

當然，我們也可以對此抱有希望，無人駕駛中最重要、最具挑戰的模塊就是行為決策，而隨著深度增強學習的興起，越來越多的公司和研究者把增強學習應用到無人車的行為決策中，並取得了不錯的效果。隨著時間和技術的積累，無人駕駛終究會面世。

人工智慧技術中的一分支領域——增強學習，對無人駕駛產生至關重要的影響。傳統基於規則的駕駛決策系統，往往只能採取非常保守的駕駛策略，需要人為設計精妙的規則來應對各種複雜情況。一旦設計的規則有所疏忽，後果將不堪設想。此外，傳統的方法假設無人車為駕駛環境中的唯一智能體，其他車輛、行人均是障礙物，忽視了車輛之間、車輛與行人之間的互動性。

而增強學習則從人類的駕駛樣本（包含了成功樣本和失敗樣本）中學習相應的策略抉擇，並能將決策泛化到類似的駕駛情景中。同時，增強學習將無人駕駛拓展成多智能體決策的問題，考慮了車輛之間的交互。在無人駕駛中，深度增強學習等方法飽受爭議的主要原因在於模型的難以解釋性。

策略決策都是由神經網路完成，即無人車的操控（車速、轉向等）完全由一個黑箱模型輸出，無法解釋其推理過程，一旦系統發生故障也難以進行針對性的改進。而人為構建選項圖之後，每個決策細分成對應動作，再由神經網路控制，決策的整個推理過程的可解釋性大大增強。

目前，無人駕駛中的增強學習演算法主要依賴於模擬器進行訓練和驗證，其結果能否在真實環境中得到復現，還需要感知模塊的正確輸出。

無可厚非，相信在可預見的將來，無人駕駛將會把人類從低效、重複的駕駛中解放出來，讓人類用更多的時間、更多的精力去思考與解決其他問題，這也是人工智慧在未來的使命。

推薦閱讀：